Find Your Own Way: Weakly-Supervised Segmentation of Path Proposals for Urban Autonomy
Weakly supervisedな運転可能領域セグメンテーション手法を提案する。
データ収集車の走行ルート情報を利用する事で、走行データに対して自動でアノテーションを行う事が可能である。
こうして得られたデータとラベルを利用する事でセグメンテーションモデルを学習する。
実際の推定においては、フロントモノラルカメラのみからリアルタイムで走行ルートを推定可能である。
InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets
情報理論ベースのgenerative adversarial networkとしてInfoGANを提案する。
このモデルは教師なし学習が可能であり、対象のdisentangleされた表現を獲得可能である。
このモデルは、adversarialな目的関数だけでなく、観測と小さなサブセットの潜在変数との間で相互情報量を最大化する。
この潜在変数からサンプリングされた値に基づきデータが生成されるが、通常は特に構造を持たない確率分布に基いて潜在変数をサンプリングするのに対して、明確に対象のセマンティクスに対応した確率分布が学習される事になる。
この相互情報量に関する下界を導出し利用する事で、効率的な学習が可能になる。
例えばMNISTのデータに対して学習を行う事で、書き方のスタイルと数字のスタイルを分離してそれぞれの潜在変数にて学習する事が出来た。
HYPERNETWORKS
一つのhypernetworkと呼ばれるネットワークを用いる事で、新たなネットワーク構造とその重みを生成する。
この手法は生物学的に知られているgenotypeとphenotypeとの関係を抽象化している。
この手法はまたend-to-endで学習可能なため、従来手法とくらべて高速である。
本論の目的は、RNNやCNNで知られるような層間にweight sharingが行われているようなネットワークを用いるに対して有用な構造としてhypernetworkを提案する事にある。
提案したhypernetworkは一方でweight sharingがないようなLSTMを生成可能で、このネットワークがstate-of-the-artの性能を出す事ができた。
またCNN構造に関しても、画像認識タスクにおいて少ないパラメータ数でstate-of-the-artへ匹敵する性能を出す事が可能である。